TensorFlow是一個采用數(shù)據(jù)流圖（data flow graphs），用于數(shù)值計算的開源軟件庫。節(jié)點(diǎn)（Nodes）在圖中表示數(shù)學(xué)操作，圖中的線（edges）則表示在節(jié)點(diǎn)間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。它靈活的架構(gòu)讓你可以在多種平臺上展開計算，例如臺式計算機(jī)中的一個或多個CPU（或GPU），服務(wù)器，移動設(shè)備等等。TensorFlow 最初由Google大腦小組（隸屬于Google機(jī)器智能研究機(jī)構(gòu)）的研究員和工程師們開發(fā)出來，用于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究，但這個系統(tǒng)的通用性使其也可廣泛用于其他計算領(lǐng)域。

聲明：

需要讀者對tensorflow和深度學(xué)習(xí)有一定了解

tf.boolean_mask實(shí)現(xiàn)類似numpy數(shù)組的mask操作

Python的numpy array可以使用boolean類型的數(shù)組作為索引，獲得numpy array中對應(yīng)boolean值為True的項(xiàng)。示例如下：

# numpy array中的boolean mask
import numpy as np
target_arr = np.arange(5)
print "numpy array before being masked:"
print target_arr
mask_arr = [True, False, True, False, False]
masked_arr = target_arr[mask_arr]
print "numpy array after being masked:"
print masked_arr

運(yùn)行結(jié)果如下：

numpy array before being masked: [0 1 2 3 4] numpy array after being masked: [0 2]

tf.boolean_maks對目標(biāo)tensor實(shí)現(xiàn)同上述numpy array一樣的mask操作，該函數(shù)的參數(shù)也比較簡單，如下所示：

tf.boolean_mask(
 tensor, # target tensor
 mask, # mask tensor
 axis=None,
 name='boolean_mask'
)

下面，我們來嘗試一下tf.boolean_mask函數(shù)，示例如下：

import tensorflow as tf
# tensorflow中的boolean mask
target_tensor = tf.constant([[1, 2], [3, 4], [5, 6]])
mask_tensor = tf.constant([True, False, True])
masked_tensor = tf.boolean_mask(target_tensor, mask_tensor, axis=0)
sess = tf.InteractiveSession()
print masked_tensor.eval()

mask tensor中的第0和第2個元素是True，mask axis是第0維，也就是我們只選擇了target tensor的第0行和第1行。

[[1 2] [5 6]]

如果把mask tensor也換成2維的tensor會怎樣呢？

mask_tensor2 = tf.constant([[True, False], [False, False], [True, False]])
masked_tensor2 = tf.boolean_mask(target_tensor, mask_tensor, axis=0)
print masked_tensor2.eval()

[[1 2] [5 6]]

我們發(fā)現(xiàn)，結(jié)果不是[[1], [5]]。tf.boolean_mask不做元素維度的mask，tersorflow中有tf.ragged.boolean_mask實(shí)現(xiàn)元素維度的mask。

tf.ragged.boolean_mask
tf.ragged.boolean_mask(
 data,
 mask,
 name=None
)

tensorflow中的sparse向量和sparse mask tensorflow中的sparse tensor由三部分組成，分別是indices、values、dense_shape。對于稀疏張量SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])，轉(zhuǎn)化成dense tensor的值為：

[[1, 0, 0, 0] [0, 0, 2, 0] [0, 0, 0, 0]]

使用tf.sparse.mask可以對sparse tensor執(zhí)行mask操作。

tf.sparse.mask(
 a,
 mask_indices,
 name=None
)

上文定義的sparse tensor有1和2兩個值，對應(yīng)的indices為[[0, 0], [1, 2]]，執(zhí)行tf.sparsse.mask(a, [[1, 2]])后，稀疏向量轉(zhuǎn)化成dense的值為：

[[1, 0, 0, 0] [0, 0, 0, 0] [0, 0, 0, 0]]

由于tf.sparse中的大多數(shù)函數(shù)都只在tensorflow2.0版本中有，所以沒有實(shí)例演示。

padded_batch

tf.Dataset中的padded_batch函數(shù)，根據(jù)輸入序列中的最大長度，自動的pad一個batch的序列。

padded_batch(
 batch_size,
 padded_shapes,
 padding_values=None,
 drop_remainder=False
)

這個函數(shù)與tf.Dataset中的batch函數(shù)對應(yīng)，都是基于dataset構(gòu)造batch，但是batch函數(shù)需要dataset中的所有樣本形狀相同，而padded_batch可以將不同形狀的樣本在構(gòu)造batch時padding成一樣的形狀。

elements = [[1, 2], 
  [3, 4, 5], 
  [6, 7], 
  [8]] 
A = tf.data.Dataset.from_generator(lambda: iter(elements), tf.int32) 
B = A.padded_batch(2, padded_shapes=[None]) 
B_iter = B.make_one_shot_iterator()
print B_iter.get_next().eval()

[[1 2 0] [3 4 5]]

總結(jié)

到此這篇關(guān)于深入理解Tensorflow中的masking和padding的文章就介紹到這了,更多相關(guān)Tensorflow中的masking和padding內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論